GLM-4.6 WDCD满分100 豆包Pro62分垫底 38分差距暴露什么

GLM-4.6以WDCD 100.00分登顶，豆包Pro仅62.00分垫底，15模型中满分率66%，R3崩溃率2%。头部与尾部差距达38分，揭示不同模型在多轮施压下的约束维持能力差异。

GLM-4.6 Smoke评测代码执行19.50分 材料约束全缺本期不排名

GLM-4.6今日Smoke评测因API故障导致grounding与judgment维度缺失，代码执行得分19.50分，任务表达50.00分，主榜无数据，本期不参与排名。需分析波动成因及关注必要性。

Gemini 3.1 Pro代码执行暴跌27.2分 主榜下滑6.5

Gemini 3.1 Pro今日Smoke评测中代码执行从91.70分跌至64.50分，降幅27.2分，主榜从82.39分降至75.89分。材料约束则从71.00分升至89.80分，工程判断保持100分不变。

Claude Opus 4.7 与 DeepSeek V4 Pro 与 GPT-o3并列92.39分：2026-10-14 Smoke快测数据简报

2026-10-14 赢政指数 Smoke 快测覆盖 13 个模型，Claude Opus 4.7 与 DeepSeek V4 Pro 与 GPT-o3 以 92.39 分并列当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。

Gemini 3.1 Pro以82.39分居首：2026-10-13 Smoke快测数据简报

2026-10-13 赢政指数 Smoke 快测覆盖 13 个模型，Gemini 3.1 Pro 以 82.39 分位居当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。

DLRMv4：MLPerf推荐训练基准迈入序列化时代

MLPerf拟以DLRMv4填补序列化推荐训练负载空白：新基准用HSTU替代传统特征交互栈，并引入Yambda-5B真实多行为数据集，将嵌入表扩展至约560GB，更贴近超大规模生产推荐系统。

AI风险不该靠感觉：企业如何量化、定价与管理

MLCommons指出，企业AI治理的关键不是放慢采用，而是像管理数据泄露、信贷和安全风险一样，用独立基准和可审计证据量化AI风险。AILuminate等工具可帮助团队识别危害、配置控制并测试真实部署系统。

AI代理处理敏感数据风险新分类法发布

MLCommons AI Risk & Reliability工作组发布Agent Privacy Risk Taxonomy v0.1，系统梳理AI代理在处理个人数据时的五大隐私风险领域。该分类法聚焦数据摄取与处理、聚合使用与共享、跨代理隐私实践不一致、静态同意模型失效以及问责治理等关键问题。相比传统聊天机器人，代理因持续观察、跨会话记忆和第三方工具调用，风险范围大幅扩大。工作组呼吁行业将此分类法融入开发全流程，并计划于2027年第一季度前完成优先级排序与基准测试，推动可测量、可落地的隐私保护标准。

SGLang与Miles在NVIDIA Vera Rubin上的优化实践

本文报道SGLang与Miles团队提前获得两台NVIDIA Vera Rubin节点（共8张GPU）的早期访问权限，并在该平台上完成推理与强化学习训练的适配。SGLang针对Kimi K3 NVFP4模型在注意力、MoE通信及KDA核函数上进行了深度调优，MLA流水线加深、融合all-reduce等优化带来最高20%的性能提升。Miles框架则基于SGLang rollout与Megatron训练，实现端到端RL训练，包括在Vera CPU上运行的Agentic RL任务。实验数据显示，Qwen3-30B-A3B在GSM8K上的奖励曲线与GB300一致，验证了平台 readiness。文章还提及Cognition部署后的4.8倍吞吐提升。

GPT-6.1 Sol材料约束暴跌19分，代码执行却暴涨25分

今日Smoke评测中，GPT-6.1 Sol材料约束从89.30分跌至70.30分，降幅19分；代码执行从72.00分升至97.00分，涨幅25分；主榜从79.79分升至84.99分。工程判断升25分至100.00分，任务表达降5分至79.70分。诚信评级维持pass。

GPT-6 Astra材料约束暴跌19分 执行却飙升25分 主榜逆涨5.2

GPT-6 Astra今日Smoke评测中材料约束从89.30分跌至70.30分，降幅19分；代码执行从72.00分升至97.00分，升幅25分；主榜从79.79分升至84.99分，净涨5.2分。单日10题抽签导致的波动仍是首要可能因素。

GPT-6 Astra 与 GPT-6.1 Sol并列84.99分：2026-10-12 Smoke快测数据简报

2026-10-12 赢政指数 Smoke 快测覆盖 14 个模型，GPT-6 Astra 与 GPT-6.1 Sol 以 84.99 分并列当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。

Claude Opus 4.7 与 GPT-6 Astra 与 GPT-6.1 Sol并列79.79分：2026-10-11 Smoke快测数据简报

2026-10-11 赢政指数 Smoke 快测覆盖 13 个模型，Claude Opus 4.7 与 GPT-6 Astra 与 GPT-6.1 Sol 以 79.79 分并列当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。

GPT-6 Luna材料约束跌20分代码执行涨41.7分 主榜升13.9分

今日Smoke评测中GPT-6 Luna材料约束从95.00分跌至75.00分，代码执行从58.30分升至100.00分，主榜从74.82分升至88.75分。工程判断维持100.00分，任务表达升至87.50分，诚信评级保持pass。分析显示单日10题抽签波动最可能导致该变化。

Claude Opus 4.7材料约束暴跌15.9分 主榜反升5.8

Claude Opus 4.7今日Smoke评测主榜92.02分，材料约束从100.00跌至84.10（-15.9），代码执行从75.00升至98.50（+23.5），任务表达从84.70跌至45.60（-39.1）。小样本抽题波动与真实能力退化需区分。

DeepSeek V4 Pro以96.94分居首：2026-10-10 Smoke快测数据简报

2026-10-10 赢政指数 Smoke 快测覆盖 15 个模型，DeepSeek V4 Pro 以 96.94 分位居当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。

GLM-4.6代码执行58.30分材料约束100分 Smoke测试API故障暴露异常

GLM-4.6今日Smoke评测因API故障/超时数据不完整，代码执行58.30分、材料约束100.00分、工程判断75.00分，主榜74.00分，未参与排名。分析显示API问题最可能是低分主因，需重点关注。

GPT-6 Luna主榜暴跌8.4分 代码执行单日跌16.7分

今日Smoke评测中GPT-6 Luna主榜从83.19分跌至74.82分，下降8.4分。其中代码执行从75.00分跌至58.30分，任务表达从90.00分跌至77.50分，材料约束小升1.8分。工程判断维持100分，诚信评级保持pass。单日10题抽样下，代码执行维度波动最大。

Claude Sonnet 4.6以94.74分居首：2026-10-09 Smoke快测数据简报

2026-10-09 赢政指数 Smoke 快测覆盖 14 个模型，Claude Sonnet 4.6 以 94.74 分位居当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。

Claude Sonnet 4.6以87.41分居首：2026-10-08 Smoke快测数据简报

2026-10-08 赢政指数 Smoke 快测覆盖 15 个模型，Claude Sonnet 4.6 以 87.41 分位居当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。

Qwen3 Max WDCD暴跌21.9分 6模型下滑仅豆包Pro逆涨9.5

本期WDCD v3.1测试中，Qwen3 Max分数下降21.9分，Gemini 2.5 Pro下降10.4分，6个模型出现下滑，仅豆包 Pro上升9.5分。GLM-4.6以95.20分位居第一，Grok 4以94.80分紧随其后。数据揭示多模型在连续施压轮次中的守约能力出现明显分化。

WDCD横评：安全合规最低1.1分，15模型偏科差距达2.9

WDCD v3.1测试中，安全合规场景全体得分最低，qwen3-max仅1.1/4垫底；claude-opus-4.7在数据边界与工程规范均拿4/4。15模型中10个出现场景间1分以上差距，企业选型需按场景加护栏。

15模型R3仅1次全崩溃 Qwen3 Max却10%崩盘 WDCD v2锚点三轮衰减真相

v2锚点题显示R1确认率100%、R2抵抗率60%、R3诚信率76.7%，150次采样仅1次R3崩溃。Qwen3 Max在R2即0分且R3崩溃率10%，而GLM-4.6、Claude Opus 4.7等模型R3零崩溃，揭示“先确认后崩盘”模式对生产接入的直接风险。

WDCD守约榜：GLM-4.6 95.2分领跑 Qwen3 Max 65.6分垫底

GLM-4.6以95.20分位居WDCD守约榜首，Qwen3 Max仅65.60分垫底。头部五强均在93分以上，尾部三模型低于80分，R3崩溃率0.7%，满分率64%。数据揭示模型在多轮施压下的真实守约差异。

Claude Sonnet 4.6材料约束暴跌30.6分，代码执行反升25分

Claude Sonnet 4.6今日Smoke评测中，材料约束从93.30分跌至62.70分，降幅30.6分；代码执行则从50.00分升至75.00分。主榜得分69.49分与69.47分基本持平。工程判断升至100.00分，任务表达升至90.80分，诚信评级维持pass。

GPT-6 Sol材料约束暴跌33.3分 代码执行反升25分主榜微降

GPT-6 Sol今日Smoke评测中材料约束从88.30分跌至55.00分，降幅33.3分；代码执行从75.00分升至100.00分，主榜从80.99分微降至79.75分。单日10题快测下，材料约束与任务表达出现大幅波动。

Claude Opus 4.7以97.48分居首：2026-10-07 Smoke快测数据简报

2026-10-07 赢政指数 Smoke 快测覆盖 14 个模型，Claude Opus 4.7 以 97.48 分位居当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。

GPT-6 Luna 与 GPT-6 Sol并列80.99分：2026-10-06 Smoke快测数据简报

2026-10-06 赢政指数 Smoke 快测覆盖 15 个模型，GPT-6 Luna 与 GPT-6 Sol 以 80.99 分并列当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。

Claude Sonnet 4.6代码执行暴跌27.4分，材料约束却暴涨37.7分

Claude Sonnet 4.6今日Smoke评测中代码执行从71.90分跌至44.50分，材料约束从50.60分升至88.30分，主榜仅微升1.9分至64.21分。工程判断升至100分，任务表达跌至45分。单日10题抽样下，维度剧烈波动是否反映真实能力退化值得追踪。

Grok 4代码执行暴跌31.3分 材料约束反升34.7分

Grok 4今日Smoke评测代码执行从95.30分跌至64.00分，降31.3分；材料约束从48.40分升至83.10分，涨34.7分。主榜仅降1.6分至72.60分。单日10题抽签导致的波动是主因，需持续观察。